CN114399193A - 一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 - Google Patents
一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 Download PDFInfo
- Publication number
- CN114399193A CN114399193A CN202210029890.3A CN202210029890A CN114399193A CN 114399193 A CN114399193 A CN 114399193A CN 202210029890 A CN202210029890 A CN 202210029890A CN 114399193 A CN114399193 A CN 114399193A
- Authority
- CN
- China
- Prior art keywords
- event
- data
- events
- runoff
- lstm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000008569 process Effects 0.000 title claims abstract description 39
- 230000002950 deficient Effects 0.000 title abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000008092 positive effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000005315 distribution function Methods 0.000 abstract 1
- 239000013589 supplement Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于深度时序点过程和LSTM的缺资料地区径流事件检测方法。①收集缺资料流域影响径流的变量,并对收集到的变量数据进行缺失值补充等预处理,构建变量和径流的时序数据集。②对每一个时间步的径流值进行事件分类。③对事件分类过后的变量和径流数据按照时间进行切分,构建基于霍克斯深度点过程和LSTM的径流事件检测模型。④通过训练数据学习不同事件的概率强度函数。⑤输入测试数据,分析每一个时间步的发生各个事件的概率分布。⑥对比各个事件的概率分布函数,判断是否存在超出预警阈值的事件并及时作出事件预警和置信度分析。
Description
技术领域
本发明属于水文水资源领域,更为具体地讲,涉及一种基于深度时序霍克斯点过程和LSTM的缺资料地区径流事件检测方法。
背景技术
随着全球气候变化和极端天气频繁出现,洪涝灾害的频率和强度也在日渐加剧,造成了巨大的人员和财产损失,防洪减灾的需求日益迫切。对此,人们对洪水事件预报开展了大量研究。但是由于洪水事件的极端性、不确定性和复杂性,对洪水事件的准确预测仍存在很大的挑战。传统的基于物理过程的水文模型,包括分布式水文模型、半分布式水文模型和集总式水文模型。该类方法需要基于大量的数据和参数率定,模型的复杂性限制了其在缺资料地区的推广和应用。
随着计算机技术和水文学的发展,基于数据驱动和统计理论的洪水预报模型逐渐受到专家和学者们的关注。其将输入输出视为“黑盒”,通过映射和表征建立径流影响因子和径流之间的联系,对于数据量的需求大大降低。目前,循环神经网络(recurrent neuralnetwork,RNN)是应用最广泛的具有时序依赖性和记忆性的数据驱动模型。它通过输入当前数据和上一个时刻的输出实现对于时序依赖性。但是,对于长时间序列的数据,RNN会忘记比较久远的输入,不利于长时序径流的预测。长短时记忆网络(Long Short-Memory NeuralNetwork,LSTM)作为RNN的特殊变种,通过改变神经单元的输入输出结构,使用门控机制选择性地学习重要的信息和遗忘无关的信息。近年来,LSTM在时序数据中展现出巨大的潜力。但是对于极端洪水事件的预测,LSTM倾向于低估峰值。时序径流点过程不同于时间径流预测,它将现实世界中一系列洪水事件抽象为时间轴上的一个个事件点,每个事件都有对应的发生时间和洪水事件类型。为了更准确地预测洪水事件,本发明内容提出了一种基于深度霍克斯点过程和LSTM的缺资料地区径流事件检测方法。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于深度霍克斯点过程和LSTM的缺资料地区径流事件检测方法,以实现对于缺资料地区洪水事件的建模和预警。
为实现上述发明目的,本发明所述的基于深度霍克斯点过程和LSTM的缺资料地区径流事件检测方法,其特征在于,包括以下步骤:
(1)、收集研究流域的水文气象等数据,包括但不限于流域下垫面信息、气温、蒸散发、降雨等。
(2)、数据预处理,整理收集到的各个站点的数据,并对缺失值进行插值,对径流进行事件类型标记。由于采集到的数据数量级相差比较大,需要对输入数据进行归一化,转换公式为:
其中,Xnormal为归一化后的数据,其范围在[0,1],X为原始数据,Xmax为原始数据的最大值,Xmin为原始数据的最小值。
(3)、建立基于深度霍克斯点过程和LSTM的缺资料地区径流事件检测模型。根据霍克斯点过程原理,构建LSTM用于拟合对不同径流事件的强度函数。
(4)、模型训练。将事件数据流划分为训练集和测试集。使用训练集进行径流事件流强度函数的建模。
(5)使用经过训练的模型,在测试集上进行测试,判断是否存在洪水事件,以及洪水事件发生可能性的大小,如果出现洪水事件的可能性超过一定阈值,对可能发生的洪水事件提前做出预警。
本发明内容是这样实现的。
本发明基于深度霍克斯点过程和LSTM的缺资料地区径流事件监测模型,通过持续收集研究流域影响因子和径流数据,进行洪水事件标记,获取不同时间点的洪水事件样本。之后,对每一类洪水事件进行强度函数建模分析。之后,可以基于LSTM获取到不同类型的洪水事件的强度函数。深度霍克斯点过程的强度函数理论上是随着时间进行变化的,依赖于LSTM神经单元中的状态单元cell memory和隐藏层状态hidden state,前者代表之前发生同类型事件对于对应类型强度函数的“暂态”激励作用,后者代表基于历史事件样本的“稳态”强度函数。在每次事件发生之后和下一次事件发生之前,强度函数会从一个突变的“暂态”激励逐渐向“稳态”强度函数变化,这个变化率会被LSTM学习表征,用于拟合逼近任何复杂形状的函数。因此,理论上,我们可以学习到任何复杂形状的强度函数。基于每个事件的强度函数,就可以通过概率密度积分获取每一类事件发生的时间点和对应的概率,从而实现缺资料地区洪水事件的发现和预警。
附图说明
图1是本发明一种基于深度霍克斯点过程和LSTM的缺资料地区径流事件检测方法具体实施方式流程图;
图2是本发明中,传统霍克斯点过程示意图;
图3是本发明中,基于LSTM的深度神经霍克斯点过程示意图;
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
图1是本发明一种基于深度霍克斯点过程和LSTM的缺资料地区径流事件检测方法具体实施方式流程图。
在本实施例中,如图1所示,本发明基于深度霍克斯点过程和LSTM的缺资料地区径流事件检测模型包括以下步骤:
S1:缺资料流域数据采集:
数据来源于研究流域内设置的水文、气象站点等。
从流域内各个气象站点收集与径流强相关的径流影响因子特征;包括长序列逐日降水量、气温、水面蒸发量、风速、空气湿度、太阳辐射强度以及流域出口断面逐日实测河川径流量等。
S2:数据预处理及事件分类:
数据预处理,整理收集到的各个站点的数据,并对缺失值进行插值,对径流进行事件类型标记,根据专家知识或者先验信息对径流进行科学分级,标记不同等级的洪水事件。由于采集到的数据数量级相差比较大,需要对输入数据进行归一化,转换公式为:
其中,Xnormal为归一化后的数据,其范围在[0,1],X为原始数据,Xmax为原始数据的最大值,Xmin为原始数据的最小值。
S3:建立基于深度霍克斯点过程和LSTM的缺资料地区径流事件检测模型。在具体实施过程中,分为霍克斯点过程强度函数构建和LSTM神经网络拟合两个部分。首先是霍克斯点过程强度函数的构建。如图2所示,传统的霍克斯点过程是假设历史事件对未来的事件都会有一个短暂的正向影响,过去发生的事件会使得短时间内未来发生该类事件的概率上升。基于这个假设,霍克斯点过程的强度函数被定义为一个基础强度和过去每一个事件对于当前事件激励的加和:其中α,β是需要学习的参数。因此,需要根据洪水事件的类别,对每个事件的强度函数进行初始化一个基础强度λ0。其次是LSTM神经网络拟合强度函数。由于LSTM神经单元的hidden state和cell memory的结构,传统的霍克斯点过程可以被看作是一个强度函数在一个连续变化的时间段内的hidden state的非线性映射。而hidden state和cell memory共同决定了强度函数的变化。如图3所示,对于洪水事件k,它的强度函数:
h(t)=oi⊙(2σ(2c(t))-1)
即,一个LSTM的cell memory和hidden state理论上可以拟合任何一种可能的复杂形状的强度函数。例如,假设λ1(t)和λ2(t)代表了两种不同类别洪水事件的强度函数,分别用紫色和绿色进行表示。c1(t),c2(t),c3(t)代表有三个hidden state的LSTM。每个维度都随着事件递增或者递减,当下一个维度发生时间之后,这些cell memory会发生突变,之后会按照一定的速率进行缓慢的变化回归到自己的稳态。对于紫色事件和绿色事件,它们都能被这个三个基础的cell memory线性表达,LSTM可以获取连续时间上的模式变化,它的hidden state和cell memory可以用于拟合不同类型洪水事件的强度函数,进而把强度函数表达为一个hidden state的复杂的非线性映射。
S4:模型训练。
将事件数据流划分为训练集和测试集。使用训练集进行径流事件流强度函数的建模。在具体实施过程中,将带有洪水事件标记的样本输入模型进行训练,损失函数为极大使然估计,输出每个时间点可能发生的事件类型和置信度,最大化分类准确率。经过梯度下降多次迭代使模型达到分类性能最优。
S6:输入测试集,判断是否存在洪水事件:
在模型中输入测试集的数据,进行的洪水事件预警,评估函数如下:
对于下一个输入时刻的事件,计算它的期望作为洪水事件概率输出:
其中,预测时刻为tj+1,当前时刻为tj,f*(t)表示截止到tj时刻,该事件的概率密度函数。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于深度时序点过程和LSTM的缺资料地区径流事件检测模型,其特征在于,包括以下步骤:
(1)、收集研究流域的水文气象等数据,包括但不限于流域下垫面信息、气温、蒸散发、降雨等。
(2)、数据预处理。整理收集到的各个站点的数据,并对缺失值进行插值,对径流进行事件类型标记。由于采集到的数据数量级相差比较大,需要对输入数据进行归一化,转换公式为:
其中,Xnormal为归一化后的数据,其范围在[0,1],X为原始数据,Xmax为原始数据的最大值,Xmin为原始数据的最小值。
(3)、建立基于深度霍克斯点过程和LSTM的缺资料地区径流事件检测模型。根据霍克斯点过程原理,构建LSTM用于拟合对不同径流事件的强度函数。
(4)、模型训练。将事件数据流划分为训练集和测试集。使用训练集进行径流事件流强度函数的建模。
(5)使用经过训练的模型,在测试集上进行测试,判断是否存在洪水事件,以及洪水事件发生可能性的大小,如果出现洪水事件的可能性超过一定阈值,对可能发生的洪水事件提前做出预警。
2.如权利要求1所述的基于深度霍克斯点过程和LSTM的缺资料地区径流事件检测方法,其特征在于,步骤(3)中,所述的建立深度霍克斯点过程和LSTM的缺资料地区径流事件检测模型,和步骤(4)中,所述的模型训练和步骤(5)中所述的模型测试:
2.1)、在具体实施过程中,分为霍克斯点过程强度函数构建和LSTM神经网络拟合两个部分。首先是霍克斯点过程强度函数的构建。如图2所示,传统的霍克斯点过程是假设历史事件对未来的事件都会有一个短暂的正向影响,过去发生的事件会使得短时间内未来发生该类事件的概率上升。基于这个假设,霍克斯点过程的强度函数被定义为一个基础强度和过去每一个事件对于当前事件激励的加和:其中α,β是需要学习的参数。因此,需要根据洪水事件的类别,对每个事件的强度函数进行初始化一个基础强度λ0。其次是LSTM神经网络拟合强度函数。由于LSTM神经单元的hiddenstate和cell memory的结构,传统的霍克斯点过程可以被看作是一个强度函数在一个连续变化的时间段内的hidden state的非线性映射。而hidden state和cell memory共同决定了强度函数的变化。如图3所示,对于洪水事件k,它的强度函数:
h(t)=oi⊙(2σ(2c(t))-1)
即,一个LSTM的cell memory和hidden state理论上可以拟合任何一种可能的复杂形状的强度函数。例如,假设λ1(t)和λ2(t)代表了两种不同类别洪水事件的强度函数,分别用紫色和绿色进行表示。c1(t),c2(t),c3(t)代表有三个hidden state的LSTM。每个维度都随着事件递增或者递减,当下一个维度发生时间之后,这些cell memory会发生突变,之后会按照一定的速率进行缓慢的变化回归到自己的稳态。对于紫色事件和绿色事件,它们都能被这个三个基础的cell memory线性表达,LSTM可以获取连续时间上的模式变化,它的hidden state和cell memory可以用于拟合不同类型洪水事件的强度函数,进而把强度函数表达为一个hidden state的复杂的非线性映射。
2.2)、将事件数据流划分为训练集和测试集。使用训练集进行径流事件流强度函数的建模。在具体实施过程中,将带有洪水事件标记的样本输入模型进行训练,损失函数为极大使然估计,输出每个时间点可能发生的事件类型和置信度,最大化分类准确率。经过梯度下降多次迭代使模型达到分类性能最优。
输入测试集,判断是否存在洪水事件:
在模型中输入测试集的数据,进行的洪水事件预警,评估函数如下:
对于下一个输入时刻的事件,计算它的期望作为洪水事件概率输出:
其中,预测时刻为tj+1,当前时刻为tj,f*(t)表示截止到tj时刻,该事件的概率密度函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029890.3A CN114399193A (zh) | 2022-01-11 | 2022-01-11 | 一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029890.3A CN114399193A (zh) | 2022-01-11 | 2022-01-11 | 一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399193A true CN114399193A (zh) | 2022-04-26 |
Family
ID=81231965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210029890.3A Pending CN114399193A (zh) | 2022-01-11 | 2022-01-11 | 一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399193A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115098763A (zh) * | 2022-05-05 | 2022-09-23 | 杭州电子科技大学 | 一种基于动静态兴趣建模与持续时间感知的序列服务推荐方法 |
WO2023249860A1 (en) * | 2022-06-23 | 2023-12-28 | Evergreen FS, Inc. | Crop disease prediction and associated methods and systems |
CN117331339A (zh) * | 2023-12-01 | 2024-01-02 | 南京华视智能科技股份有限公司 | 基于时序神经网络模型的涂布机模头电机控制方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288157A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于注意力机制和lstm的径流预测方法 |
CN111027764A (zh) * | 2019-12-06 | 2020-04-17 | 中国水利水电科学研究院 | 一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法 |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
CN112949902A (zh) * | 2021-01-25 | 2021-06-11 | 西北工业大学 | 一种基于lstm多状态向量序列到序列模型的径流预测方法 |
CN113158542A (zh) * | 2021-01-29 | 2021-07-23 | 武汉大学 | 适用于缺资料地区的多变量设计洪水估计方法 |
CN113221342A (zh) * | 2021-04-30 | 2021-08-06 | 天津大学 | 一种小流域洪水自适应智能组网预报方法 |
CN113361777A (zh) * | 2021-06-08 | 2021-09-07 | 淮阴工学院 | 基于vmd分解和ihho优化lstm的径流预测方法及系统 |
US20210396541A1 (en) * | 2020-06-22 | 2021-12-23 | Toyota Jidosha Kabushiki Kaisha | Flood display device, flood detection device, server, flood display system, flood display method, flood detection method, and recording medium |
-
2022
- 2022-01-11 CN CN202210029890.3A patent/CN114399193A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288157A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于注意力机制和lstm的径流预测方法 |
CN111027764A (zh) * | 2019-12-06 | 2020-04-17 | 中国水利水电科学研究院 | 一种基于机器学习的适用于径流资料缺乏流域的洪水预报方法 |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
US20210396541A1 (en) * | 2020-06-22 | 2021-12-23 | Toyota Jidosha Kabushiki Kaisha | Flood display device, flood detection device, server, flood display system, flood display method, flood detection method, and recording medium |
CN112949902A (zh) * | 2021-01-25 | 2021-06-11 | 西北工业大学 | 一种基于lstm多状态向量序列到序列模型的径流预测方法 |
CN113158542A (zh) * | 2021-01-29 | 2021-07-23 | 武汉大学 | 适用于缺资料地区的多变量设计洪水估计方法 |
CN113221342A (zh) * | 2021-04-30 | 2021-08-06 | 天津大学 | 一种小流域洪水自适应智能组网预报方法 |
CN113361777A (zh) * | 2021-06-08 | 2021-09-07 | 淮阴工学院 | 基于vmd分解和ihho优化lstm的径流预测方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115098763A (zh) * | 2022-05-05 | 2022-09-23 | 杭州电子科技大学 | 一种基于动静态兴趣建模与持续时间感知的序列服务推荐方法 |
WO2023249860A1 (en) * | 2022-06-23 | 2023-12-28 | Evergreen FS, Inc. | Crop disease prediction and associated methods and systems |
US20230413714A1 (en) * | 2022-06-23 | 2023-12-28 | Evergreen FS, Inc. | Crop Disease Prediction and Associated Methods and Systems |
CN117331339A (zh) * | 2023-12-01 | 2024-01-02 | 南京华视智能科技股份有限公司 | 基于时序神经网络模型的涂布机模头电机控制方法及装置 |
CN117331339B (zh) * | 2023-12-01 | 2024-02-06 | 南京华视智能科技股份有限公司 | 基于时序神经网络模型的涂布机模头电机控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN114399193A (zh) | 一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 | |
CN109840587B (zh) | 基于深度学习的水库入库流量预测方法 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN111428942B (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
CN110459036B (zh) | 一种基于深度学习的山洪预警方法 | |
Azari et al. | Evaluation of machine learning methods application in temperature prediction | |
CN114372631A (zh) | 一种基于小样本学习和lstm的缺资料地区径流预测方法 | |
Gauch et al. | A Data Scientist's Guide to Streamflow Prediction | |
Haddjeri et al. | Exploring the sensitivity to precipitation, blowing snow, and horizontal resolution of the spatial distribution of simulated snow cover | |
Chen et al. | Rainfall forecasting in sub-Sahara Africa-Ghana using LSTM deep learning approach | |
CN115422782B (zh) | 一种基于水文模型的洪水预报系统 | |
Nizar et al. | Forecasting of temperature by using LSTM and bidirectional LSTM approach: case study in Semarang, Indonesia | |
Lu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
Jin et al. | Integration of an improved transformer with physical models for the spatiotemporal simulation of urban flooding depths | |
Kheyruri et al. | Quantification of the meteorological and hydrological droughts links over various regions of Iran using gridded datasets | |
Nguyen et al. | Water level prediction at tich-bui river in vietnam using support vector regression | |
CN115829150A (zh) | 一种积水预测系统 | |
Navaluna et al. | An optimization algorithm using fuzzy logic and Weibull distribution for bioretention systems | |
Pavía Santolamazza | Event-based flood estimation using a random forest algorithm for the regionalization in small catchments | |
Ogale et al. | Modelling and short term forecasting of flash floods in an urban environment | |
CN113487069A (zh) | 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 | |
Cristani et al. | It could rain: weather forecasting as a reasoning process | |
CN113743017A (zh) | 一种基于计算机视觉及lstm神经网络的大流域径流模拟方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220426 |
|
WD01 | Invention patent application deemed withdrawn after publication |